一个基于CNN的先进框架,用于在回收流中自动检测未覆盖的PET
1Department of Industrial Engineering, Faculty of Engineering-Rabigh, King Abdulaziz University, Jeddah 21589, Saudi Arabia.
Polymers
|July 12, 2025
概括
这项研究开发了一种实时物体检测模型,用于识别回收流中的被液体污染的PET瓶. YOLOv8l表现出卓越的性能,显著提高了回收流的纯度和效率.
科学领域:
- 环境科学 环境科学
- 计算机科学 计算机科学
- 材料科学 材料科学 材料科学
背景情况:
- 回收流污染,特别是来自PET瓶的液体,对材料回收设施 (MRF) 构成重大挑战.
- 早期检测污染物对于有效的回收过程和保持材料质量至关重要.
- 对象检测模型为自动污染物识别提供了一个有希望的解决方案.
研究的目的:
- 设计和评估一个实时物体检测模型,用于识别受污染的PET瓶.
- 评估各种YOLO (你只看一次) 模型在检测PET瓶中的液体污染方面的有效性.
主要方法:
- 为了训练物体检测模型,编制了7130张图像的定制数据集.
- 训练和评估了几种YOLO模型的变体和尺寸.
- 性能指标包括mAP,精度,回忆和F1分数被用于评估.
主要成果:
- 在测试的车型中,YOLOv8l获得了最高的性能.
- YOLOv8l表现出卓越的检测能力,mAP@0.5:0.95为89.7%,mAP@0.5为93%,精度为89%,回忆率为88%,F1得分为88%.
结论:
- 开发的YOLOv8l模型对于实时检测受污染的PET瓶子非常有效.
- 实施这种模式可以提高回收流的效率和纯度.
- 在PET瓶中自动检测液体污染为MRF提供了一个可扩展的解决方案.
